Compose_09--写一个可以展开的列表

最新推荐文章于 2023-04-27 14:32:46 发布
VIP文章 最新推荐文章于 2023-04-27 14:32:46 发布
阅读量2.1k 收藏 3
点赞数
分类专栏： Android-compose 文章标签： gradle android android studio
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_42404361/article/details/121550313
版权 
import android.os.Bundle
import androidx.activity.ComponentActivity
import androidx.activity.compose.setContent
import androidx.compose.foundation.Image
import androidx.compose.foundation.background
import androidx.compose.foundation.clickable
import androidx.compose.foundation.layout.*
import androidx.compose.foundation.lazy.LazyColumn
import androidx.compose.material.Divider
import androidx.compose.material.Text
import androidx.compose.runtime.*
import androidx.compose.ui.Alignment
import androidx.compose.ui.Modifier
import androidx.compose.ui.graphics.Color
import androidx.compose.ui.res.painterResource
import androidx.compose.ui.unit.dp
import androidx.compose.ui.unit.sp
import androidx.compose.foundation.lazy.items

/**
 * 列表
 */
class Compose_09Activity : ComponentActivity(){

    override fun onCreate(savedInstanceState: Bundle?) {
        super.onCreate(savedInstanceState)
        setContent {
            val askAndAnswer = mutableListOf&l
最低0.47元/天 解锁文章
放弃了放弃
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
docker-compose-linux-x86_64-v2.4.1.zip
04-27
docker-compose-linux-x86_64-v2.4.1.zip
Jetpack Compose 列表的展开与收起、颜色动画效果
丿灬安之若死
06-14 581
message 数据内容 通过设置Text的maxLins来进行适配展开与折叠 又通过 animateColorAsState 对颜色进行渐变处理 最后只需要设置上去color 和maxLines就好了 这里记得要价一个属性 这样才会有动画的方式改变大小显示。...
Android Compose BottomSheetDialogFragment 展开折叠1/3效果
丿灬安之若死
04-27 415
【代码】Android Compose BottomSheetDialogFragment 展开折叠1/3效果。
【Android-JetpackCompose】8、实战 Compose 滑动列表、动画、样式
呆呆的猫的博客
10-07 994
到目前为止，已经在 Column 中显示了两条问候语。他们相当于 Android View 中的 RecyclerView（比后者性能更优），用于显示可滚动列，他们只会渲染屏幕上可见的内容（而不是全部列表数据），从而提升性能。用 remember 的话，每次配置更改（如旋转屏幕）、进程终止时都会重置，因为其只在 @Composable 被 composition 时起作用，因为旋转屏幕后整个 Activity 都丢失了，所有 state 也就都丢失了。
compose使用入门：做一个丝滑的可展开列表
bugyinyin的博客
08-30 846
compose 的基础组件基本涵盖了所有的基本需求，即使是没有的组件我们也可以很快速的使用已有基础组件组合出我们需要的组件效果。另外，compose 的动画创建相比于传统 view 方便了许多，例如参数值改变的动画，现在只需要使用 animate*AsState 创建一个带动画的参数，再放到需要动画的地方即可，完全不需要其他多余的操作。.........
39. Compose实现手机联系人界面
u010436867的博客
02-14 541
使用Compose Lazycolumn实现联系人 ，并且可以右侧快速定位到字母。
14.Compose 之简易朋友圈列表
u010436867的博客
10-14 310
01. Compose 可组合组件之Row And Column 02. Compose 可组合组件之 属性 modifier 03. Compose 可组合组件之Card 图片 04. Compose 字体 05. Compose State 06. Compose SnackBar 07. Compose List 08. Compose ConstrainLayout 09. Compose Button 10. Compose CheckBox 11.Compose 对于复杂界面的尝试 12.Com
Compose的列表(七)
Mr_Tony的专栏
07-16 2933
文章目录一、前言二、LazyColumn三、列表修饰四、动画五、监听滚动位置六、Key七、数据的更改八、参考链接 一、前言 之前介绍过可以使用Column和Row来进行列表排列。只是如果我们需要显示大量的列表时候或者对列表进行复杂的操作时候，使用Column和Row会有严重的性能问题，这时候就需要使用延迟列表 LazyColumn或者LazyRow会更好一点。另外官方还提供了网格布局LazyVerticalGrid(这是一个实验性功能，后期可能会被删掉)，这里就不进行另行说明。因为 LazyColumn或者
compose--CompositionLocal、列表LazyColumn&LazyRow、约束布局ConstraintLayout
aruba的博客
12-10 1198
通过前面内置组件和修饰符Modifier的使用，结合Stat状态，相信对于一般的开发需求已经没有问题了，接下来对CompositionLocal进行学习，以及对列表组件LazyColumn&LazyRow和约束布局的完善ConstraintLayout 一、CompositionLocal CompositionLocal可以创建以树为作用域的具名对象，简单来说就是可组合函数的作用域内，其...
Android开发之Compose基础学习-ListItem列表布局基本用法
xiayiye5的博客
10-09 863
【代码】Android开发之Compose基础学习-ListItem列表布局基本用法。
docker_compose_springboot-0.0.1-SNAPSHOT.jar
04-19
用于测试docker-compose的实例使用
docker-compose-Linux-x86_64-1.29.zip
11-25
构建docker-compose镜像文件
docker-compose-Darwin-x86_64.tgz
03-08
docker-compose 手动安装包
docker-compose-Linux-x86_64-1.25.zip
02-10
使用Docker Compose，可以用一个YAML文件定义一组要启动的容器，以及容器运行时的属性。Docker Compose称这些容器为“服务”，像这样定义： 容器通过某些方法并指定一些运行时的属性来和其他容器产生交互。
Compose实现一个带复选框的列表
cj641809386的专栏
09-01 691
像对于文本，复选框多了一个选中改变的回调，我们需要再回调中处理数据的绑定，不然点击复选框会没有反应。我们可以通过这个回调来将数据和控件进行绑定，以及处理一些业务逻辑。这里需要把这个回调抛到上一级去来处理列表数据的选中状态的更新。11～14行加载了一个复选框控件，复选框相对于其他控件会多一个选中回调，类似的还有输入框控件。的布局 ，回调函数拿到是否是选中的数据，用来更新数据源集合。3～5行代码是定义了一个变量用来存放复选框的选中状态，使用。，创建一个按钮，点击后用来展示选中几个。的布局，如果要是加载多个。..
Compose 学习笔记（一）—— Compose 初探
chuyouyinghe的专栏
11-14 1039
Google 毕竟憋了两年，怎么说也得有两把刷子的。Compose 是 Google 新推出的适用于 Android 的新式声明性界面工具包。个人理解的声明性的意思是：UI 的控件只需要我们一开始的时候声明创建出来，绑定了数据就可以了，后续的更新可以全部交给 Compose 处理。Google 是考虑到现在的应用展示的绝大多数不是静态数据，更多的是会实时更新的。而现有的 xml 界面，更新比较复杂繁琐，很容易出现同步错误。
Android Jetpack Compose 可滚动列表 LazyColumn
杨迪龙的博客
08-03 2806
Android Jetpack Compose 可滚动列表 LazyColumnJetpack Compose前言LazyColumn使用方法完事 Jetpack Compose 更多与Jetpack Compose相关的文章： Android Jetpack Compose 沉浸式/透明状态栏 ProvideWindowInsets SystemUiController 前言 这是一个比较简单的知识点，但是在当前时间2021/08/03，在搜索引擎上还没能快速搜索到相关信息，所以贡献一下自己的了解。 La
Jetpack Compose 实用指南 - .9图与launchEffect与添加/编辑/复用原生AndroidView
weixin_40431223的博客
01-29 4825
以加载Jetpack Compose暂不能正常处理的.9图为例子，讲解AndroidView在Compose中的添加/删除/复用的基本处理手段，以及这过程中出错的情况，和问题的本质。
Compose_08--列表LazyColumn和LazyRow
weixin_42404361的博客
11-25 3976
列表在普遍App中是一个十分重要组成部分，随处可见，而在Compose中是如何实现列表的呢？没错，就是使用LazyColumn实现纵向滚动列表，使用LazyRow实现横向滚动列表，下面是一个简单的例子。 import android.os.Bundle import androidx.activity.ComponentActivity import androidx.activity.compose.setContent import androidx.compose.foundation.backg
能举一个实例，具体展开说一说嘛
最新发布
06-08
好的，下面我举一个实例来具体展开说明。 假设我们要训练一个图像分类器，使用的是一个简单的卷积神经网络模型。我们使用CIFAR-10数据集进行训练和测试，数据集中包括10个类别的图像，每个类别有5000张训练图像和1000张测试图像。 1. 准备数据集 我们首先需要将CIFAR-10数据集转换为PyTorch可处理的格式，可以使用`torchvision.datasets.CIFAR10`和`torch.utils.data.DataLoader`来实现。具体代码如下： ```python import torchvision.datasets as datasets import torchvision.transforms as transforms import torch.utils.data as data # 数据预处理 transform = transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5)) ]) # 加载数据集 trainset = datasets.CIFAR10(root='./data', train=True, download=True, transform=transform) trainloader = data.DataLoader(trainset, batch_size=64, shuffle=True, num_workers=2) testset = datasets.CIFAR10(root='./data', train=False, download=True, transform=transform) testloader = data.DataLoader(testset, batch_size=64, shuffle=False, num_workers=2) ``` 2. 定义模型 我们使用一个简单的卷积神经网络模型，包括两个卷积层和两个全连接层。代码如下： ```python import torch.nn as nn import torch.nn.functional as F class Net(nn.Module): def __init__(self): super(Net, self).__init__() self.conv1 = nn.Conv2d(3, 6, 5) self.pool = nn.MaxPool2d(2, 2) self.conv2 = nn.Conv2d(6, 16, 5) self.fc1 = nn.Linear(16 * 5 * 5, 120) self.fc2 = nn.Linear(120, 84) self.fc3 = nn.Linear(84, 10) def forward(self, x): x = self.pool(F.relu(self.conv1(x))) x = self.pool(F.relu(self.conv2(x))) x = x.view(-1, 16 * 5 * 5) x = F.relu(self.fc1(x)) x = F.relu(self.fc2(x)) x = self.fc3(x) return x net = Net() ``` 3. 定义损失函数和优化器 我们选择交叉熵损失函数和Adam优化器。代码如下： ```python import torch.optim as optim criterion = nn.CrossEntropyLoss() optimizer = optim.Adam(net.parameters(), lr=0.001) ``` 4. 训练模型 我们使用训练集的数据对模型进行训练，重复多次迭代，直到模型收敛。代码如下： ```python for epoch in range(10): # 进行多轮迭代 running_loss = 0.0 for i, data in enumerate(trainloader, 0): inputs, labels = data optimizer.zero_grad() # 前向传播 outputs = net(inputs) loss = criterion(outputs, labels) # 反向传播 loss.backward() optimizer.step() running_loss += loss.item() if i % 200 == 199: # 每200个batch输出一次损失值 print('[Epoch %d, Batch %5d] loss: %.3f' % (epoch + 1, i + 1, running_loss / 200)) running_loss = 0.0 ``` 5. 测试模型 我们使用测试集的数据对模型进行测试，计算模型的分类准确率。代码如下： ```python correct = 0 total = 0 with torch.no_grad(): for data in testloader: images, labels = data outputs = net(images) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() print('Accuracy of the network on the 10000 test images: %d %%' % ( 100 * correct / total)) ``` 6. 对模型进行误差校准 我们可以使用验证集的数据对模型进行误差校准，以减小模型在测试集上的误差。具体实现方式是，每次迭代时，将训练集和验证集的数据分别输入模型，计算损失函数，并将验证集的误差反向传播到模型中，然后更新模型参数。代码如下： ```python for epoch in range(10): # 进行多轮迭代 running_loss = 0.0 for i, data in enumerate(trainloader, 0): inputs, labels = data optimizer.zero_grad() # 前向传播 outputs = net(inputs) loss = criterion(outputs, labels) # 反向传播 loss.backward() optimizer.step() running_loss += loss.item() if i % 200 == 199: # 每200个batch输出一次损失值 print('[Epoch %d, Batch %5d] loss: %.3f' % (epoch + 1, i + 1, running_loss / 200)) running_loss = 0.0 # 计算验证集的误差 correct = 0 total = 0 with torch.no_grad(): for data in valloader: images, labels = data outputs = net(images) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() val_loss = criterion(outputs, labels) val_loss.backward() optimizer.step() if epoch % 5 == 4: # 每5个epoch输出一次验证集的误差 print('[Epoch %d] validation loss: %.3f' % (epoch + 1, val_loss.item() / total)) ``` 希望这个实例能够帮助你更好地理解如何使用深度学习进行误差校准。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值